Les pratiques préconisées en formation pour faire la classe interviennent-elles dans les planifications des futurs enseignants de français ?
Bibliographic record
Abstract
Planifier les activités d’enseignement/apprentissage constitue l’une des tâches essentielles pour « faire la classe ». Pour la réaliser, on attend des étudiants en enseignement qu’ils utilisent les pratiques préconisées par la recherche qui leur sont proposées en formation. Cette étude cherchait à identifier dans quelle proportion les étudiants en enseignement mobilisent ces pratiques dans leur planification des activités d’enseignement/apprentissage. Pour ce faire, nous avons récolté toutes les planifications qu’ont réalisées 18 futurs enseignants de français pour leur dernier stage d’une durée de 4 semaines afin d’en faire l’analyse. Les résultats de l’analyse de contenu montrent la part importante de pratiques telles que la gestion des contenus à enseigner, la communication des objectifs, l’utilisation de ressources pédagogiques existantes, la gestion des difficultés ainsi que les liens entre les matières. Par ailleurs, il ressort des résultats que les participants à notre étude anticipent peu, voire pas du tout, leurs rétroactions, les temps d’implication des élèves dans le processus d’évaluation, ainsi que la métacognition. Ces observations sont autant d’enjeux pour la formation initiale en enseignement.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.013 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.012 | 0.006 |
| Scholarly communication | 0.013 | 0.008 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.018 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".